OPTIMASI PERAMALAN HARGA PANGAN DI SULAWESI SELATAN MENGGUNAKAN MACHINE LEARNING (STUDI PERBANDINGAN RANDOM FOREST DAN EXTREME GRADIENT BOOSTING) = Optimizing Food Price Prediction in South Sulawesi with Machine Learning (A Comparative Study of Random Forest and Extreme Gradient Boosting)

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediktif harga pangan strategis di Sulawesi Selatan menggunakan algoritma machine learning. Latar belakang penelitian ini adalah tingginya volatilitas harga pangan yang berdampak pada inflasi regional dan daya beli masyarakat, serta keterbatasan metode intervensi pemerintah yang bersifat reaktif. Penelitian ini membandingkan kinerja tiga model: Regresi Linier sebagai model konvensional, serta Random Forest dan Extreme Gradient Boosting (XGBoost) sebagai model ensemble. Data yang digunakan adalah data historis harian dari lima komoditas strategis (beras, bawang putih, bawang merah, daging sapi, dan cabai merah) periode 2022–2024 yang bersumber dari Pusat Informasi Harga Pangan Strategis (PIHPS) Nasional. Metodologi penelitian mencakup pra-pemrosesan data, rekayasa fitur berbasis deret waktu (time series feature engineering), pembagian data latih-uji dengan rasio 80:20, penyetelan hyperparameter, serta evaluasi model menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R^2). Hasil penelitian menunjukkan bahwa model ensemble secara konsisten mengungguli Regresi Linier, terutama pada komoditas dengan volatilitas tinggi. XGBoost menjadi model terbaik untuk empat dari lima komoditas, yaitu beras (MAPE = 0,298%), bawang putih (MAPE = 0,661%), bawang merah (MAPE = 2,571%), dan cabai merah (MAPE = 4,215%), berkat kemampuannya dalam menangkap pola non-linier yang kompleks dan guncangan harga. Secara kontras, Random Forest menunjukkan performa superior pada komoditas daging sapi (MAPE = 0,266%), yang menandakan ketahanannya terhadap overfitting pada data dengan periode stabilitas panjang. Kesimpulannya, model machine learning, khususnya XGBoost, memiliki potensi besar untuk diimplementasikan sebagai decision support system (DSS) guna mendukung kebijakan stabilisasi harga pangan yang lebih tepat waktu dan berbasis data.